tensorflow中的正则化函数在_tensorflow中的正则化及数据增强

正则化：

一般可以通过减少特征或者惩罚不重要特征的权重来缓解过拟合，但是我们通常不知道该惩罚那些特征的权重，而正则化就是帮助我们惩罚特征权重的，即特征的权重也会成为模型的损失函数一部分。可以理解为， 为了使用某个特征，我们需要付出loss的代价(loss为给权重weight加的一个loss，正则化)，除非这个特征非常有效，否贼就会被loss上的增加覆盖效果。这样我们就能筛选出最有效的特征，减少特征权重防止过拟合。

一般来说，L1正则会制造稀疏的特征，大部分无用特征的权重会被至为0,

L2正则会让特征的权重不过大，使得特征的权重比较平均。       tensorflow.nn.l2_loss(weight) 就是计算weight的L2 loss。

数据增强：

tf.image.random_flip_left_right(): 照片的随机水平翻转        //这里没写参数列表，下同

tf.random_crop()：从照片中随机剪切一块照片

tf.image.random_brightness():设置随机的亮度

tf.image.random_contrast():设置随机的对比度

tf.image.per_image_whitening():对数据进行标准化(对数据减去均值，除去方差，保证数据0平均， 方差为1)

总结

以上是生活随笔为你收集整理的tensorflow中的正则化函数在_tensorflow中的正则化及数据增强的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。